掃一掃
關注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
人工智能:是什么?為什么?怎么做? 版權信息
- ISBN：9787302654476
- 條形碼：9787302654476 ; 978-7-302-65447-6
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
人工智能:是什么?為什么?怎么做? 本書特色
如果這個世界上有什么是公平且寶貴的話，那時間肯定算。對于人工智能的介紹并不缺少書籍，網(wǎng)絡也有非常多的資料，但是本書會大大節(jié)省您學習人工智能的時間。本書系統(tǒng)的介紹了人工智能的多種技術，適合多種類型讀者。
如果略過本書的公式和程序，本書是一本有趣的人工智能科普書，您會了解很多人工智能技術，只需要初中水平即可；
如果看懂了書中的公式，您會知道這些技術的來龍去脈，高中生也能看懂；
如果理解了技術原理并實現(xiàn)了本書的程序，您就可以編寫自己的人工智能系統(tǒng)，大學生。
人工智能:是什么?為什么?怎么做? 內容簡介
本書介紹了人工智能發(fā)展過程中涌現(xiàn)出的思想以及經(jīng)典技術。本書共12章，內容結構大致可以分為4部分：**部分（第1～3章），這部分為基礎知識，簡單介紹人工智能發(fā)展的歷史與現(xiàn)狀（第1章），數(shù)據(jù)編碼技術（第2章）以及人工智能需要用到的數(shù)學知識（第3章）；第二部分（第4～7章），經(jīng)典人工智能，主要介紹經(jīng)典人工智能算法（第4章），計算機博弈（第5章），邏輯與知識（第6章），智能體機器人技術（第7章）；第三部分（第8～10章），機器學習技術，主要介紹回歸算法（第8章）、分類算法（第9章）以及無監(jiān)督學習典型算法（第10章）；第四部分（第11、12章），主要介紹神經(jīng)網(wǎng)絡概念（第11章）以及深度學習技術（第12章）。 本書是一本介紹人工智能技術的初級讀物，并不需要讀者有深厚的計算機和數(shù)學基礎，可以作為高等院校任何專業(yè)（不局限于計算機相關專業(yè)）的人工智能課程教材。
人工智能:是什么?為什么?怎么做? 目錄
第1章人工智能3
1.1Artificial3
1.2圖靈測試4
1.3人類智能7
1.4一次會議8
1.5兩場棋局9
1.5.1Deep Blue與卡斯帕羅夫11
1.5.2AlphaGo與李世石11
1.6三門學派12
1.6.1無可奈何花落去——符號主義13
1.6.2似曾相識燕歸來——連接主義14
1.6.3小園香徑獨徘徊——行為主義15
1.7五個階段17
1.7.1記憶和計算18
1.7.2感知和認知18
1.7.3分析和推理20
1.7.4發(fā)明和創(chuàng)造20
1.7.5具有意識的機器20
1.8Singularity22 第2章編碼25
2.1馮·諾依曼體系結構25
2.2數(shù)字的編碼31
2.2.1數(shù)字系統(tǒng)31
2.2.2整數(shù)的編碼32
2.2.3實數(shù)的編碼32
2.3文字的編碼34
2.4圖像的編碼35〖1〗〖2〗人工智能： 是什么？為什么？怎么做？〖1〗目錄2.5聲音的編碼38
2.6視頻的編碼39
2.7數(shù)據(jù)的組織40
2.8More Is Different41
2.9怎么做42
2.9.1二—十進制轉換42
2.9.2十六進制43
2.9.3補碼44
2.9.4浮點數(shù)編碼44
2.9.5數(shù)字的編碼45
2.9.6圖像的編碼45
2.9.7聲音的編碼46 第3章數(shù)學47
3.1高等數(shù)學48
3.1.1導數(shù)48
3.1.2Sigmoid()函數(shù)49
3.1.3梯度下降算法50
3.2概率論54
3.2.1合取謬誤54
3.2.2星期二男孩54
3.2.3蒙特卡羅算法56
3.2.4三門問題56
3.2.5信息論58
3.3線性代數(shù)64
3.3.1向量65
3.3.2矩陣66
3.3.3維數(shù)67
3.3.4距離70
3.3.5奇異值分解74
3.4Concrete Mathematics76
3.5怎么做78
3.5.1繪制曲線和曲面圖78
3.5.2梯度下降算法79
3.5.3蒙特卡羅算法82
3.5.4奇異值分解83第二部分經(jīng)典人工智能
第4章算法87
4.1算法概述88
4.2笨AI與聰明AI89
4.3算法復雜度91
4.3.1大O表示法91
4.3.2常見復雜度93
4.4如何描述問題97
4.4.1樹97
4.4.2用樹描述問題98
4.4.3遞歸100
4.4.4圖101
4.4.5用圖描述問題103
4.5無指導信息搜索106
4.5.1深度優(yōu)先搜索106
4.5.2寬度優(yōu)先搜索109
4.5.3搜索評價110
4.6有指導信息搜索111
4.6.1迪杰斯特拉算法111
4.6.2啟發(fā)式112
4.6.3A搜索算法113
4.7路徑無關搜索115
4.7.1*優(yōu)化搜索115
4.7.2約束滿足問題116
4.7.3對抗搜索118
4.8遺傳算法118
4.9推薦算法123
4.10Alchemy and Artificial Intelligence125
4.11怎么做126
4.11.1算法入門126
4.11.2遞歸算法127
4.11.3無指導信息搜索127
4.11.4有指導信息搜索128
4.11.5路徑無關搜索133
4.11.6遺傳算法134
4.11.7推薦算法138 第5章博弈140
5.1棋類游戲框架140
5.2對抗搜索142
5.2.1博弈樹142
5.2.2靜態(tài)估值143
5.2.3minimax算法144
5.2.4negamax算法147
5.2.5alphabeta剪枝147
5.3其他棋類游戲148
5.3.1人機博弈小史148
5.3.2棋類軟件設計技巧149
5.3.3AlphaGo簡介150
5.4Game Theory151
5.5怎么做153
5.5.1棋類游戲框架153
5.5.2negamax算法155
5.5.3alphabeta剪枝算法156 第6章知識169
6.1邏輯169
6.1.1命題邏輯170
6.1.2一階邏輯173
6.1.3高階邏輯175
6.1.4邏輯推理175
6.1.5邏輯編程177
6.2專家系統(tǒng)179
6.2.1專家系統(tǒng)概述179
6.2.2專家系統(tǒng)構建180
6.2.3典型專家系統(tǒng)186
6.3知識圖譜191
6.3.1概述191
6.3.2知識從哪里來192
6.3.3知識如何表示198
6.3.4知識如何推理204
6.3.5知識如何存儲208
6.3.6知識如何應用212
6.4Wir müssen wissen，Wir werden wissen216
6.4.1希爾伯特216
6.4.2哥德爾217
6.5怎么做220
6.5.1邏輯編程220
6.5.2專家系統(tǒng)222
6.5.3知識圖譜223
6.5.4哥德爾數(shù)224 第7章行為227
7.1機器人227
7.1.1SHRDLU227
7.1.2SHAKEY229
7.1.3機器人與計算機230
7.2新范式231
7.3基于行為的人工智能233
7.3.1SPA體系結構233
7.3.2包容式體系結構233
7.3.3更多體系結構235
7.3.4設計自己的體系結構237
7.4智能體概述238
7.4.1只有行為不夠238
7.4.2智能體238
7.4.3多智能體241
7.5Birds and Frogs246
7.6怎么做248
7.6.1智能體博弈248
7.6.2Boids模擬249
第三部分機器學習技術
第8章機器學習（一）253
8.1機器學習概述253
8.1.1學習范式253
8.1.2機器學習過程254
8.1.3機器學習分類255
8.2*簡單的機器學習——線性回歸256
8.2.1線性回歸256
8.2.2誤差函數(shù)259
8.3多元回歸分析261
8.4嶺回歸和LASSO回歸263
8.5過擬合與欠擬合264
8.6訓練集、測試集和驗證集265
8.6.1訓練集與測試集265
8.6.2驗證集與交叉驗證266
8.7有監(jiān)督和無監(jiān)督學習267
8.8回歸結果評估267
8.9Why268
8.9.1因果性268
8.9.2相關性不等于因果性269
8.9.3統(tǒng)計數(shù)據(jù)會說謊269
8.9.4如何計算因果？271
8.10怎么做276
8.10.1動物體重壽命分析276
8.10.2回歸分析277
附注279 第9章機器學習（二）280
9.1分類280
9.1.1從回歸到分類280
9.1.2分類結果評估281
9.2既無邏輯又不回歸——邏輯回歸285
9.2.1邏輯回歸思想285
9.2.2交叉熵損失函數(shù)286
9.2.3梯度下降求解287
9.3一堆IFELSE——決策樹288
9.3.1決策樹思想288
9.3.2劃分選擇290
9.3.3決策樹的剪枝295
9.3.4連續(xù)型數(shù)據(jù)的處理298
9.4曾經(jīng)的王者——SVM300
9.4.1SVM概述300
9.4.2支持向量與*優(yōu)劃分301
9.4.3核函數(shù)與高維映射302
9.5學習的本質——貝葉斯304
9.5.1貝葉斯思想304
9.5.2樸素貝葉斯306
9.5.3樸素貝葉斯的應用308
9.6懶惰學習的代表——kNN309
9.7臭皮匠變諸葛亮——集成學習310
9.7.1集成思想310
9.7.2Boosting家族311
9.7.3Bagging家族315
9.8Occams razor316
9.9怎么做317
9.9.1分類結果評估317
9.9.2鳶尾花數(shù)據(jù)分析318
9.9.3不難，也不簡單324
附注324 第10章機器學習（三）326
10.1聚類326
10.1.1聚類其實是聚簇326
10.1.2簡單實用的聚類： kmeans327
10.1.3聚類結果評估333
10.2降維335
10.2.1維數(shù)詛咒335
10.2.2PCA降維336
10.3Complexity340
10.3.1蝴蝶效應340
10.3.2復雜性度量341
10.4怎么做343
10.4.1聚類343
10.4.2降維347
附注348
第四部分神經(jīng)網(wǎng)絡與深度學習
第11章神經(jīng)網(wǎng)絡351
11.1概述351
11.2神經(jīng)元353
11.2.1激活函數(shù)353
11.2.2單個神經(jīng)元354
11.3構建神經(jīng)網(wǎng)絡355
11.3.1把神經(jīng)元連接起來355
11.3.2反向傳播357
11.3.3梯度下降359
11.4初見Mnist360
11.5改進神經(jīng)網(wǎng)絡361
11.5.1換一個激活函數(shù)361
11.5.2再探反向傳播364
11.5.3增加bias366
11.6神經(jīng)網(wǎng)絡存在的問題368
11.7Connection370
11.7.1從圖到網(wǎng)絡370
11.7.2六度分割372
11.7.3冪率分布373
11.8怎么做374
11.8.1前饋計算374
11.8.2Mnist374
11.8.3新的損失函數(shù)和激活函數(shù)379
11.8.4帶bias的神經(jīng)網(wǎng)絡381
11.8.5識別自己的手寫體383
11.8.6隨機網(wǎng)絡、無標度網(wǎng)絡383 第12章深度學習385
12.1準備知識386
12.1.1二見Mnist386
12.1.2更多激活函數(shù)389
12.1.3更多優(yōu)化算法393
12.2卷積神經(jīng)網(wǎng)絡401
12.2.1再見Mnist401
12.2.2生物的視覺系統(tǒng)402
12.2.3卷積神經(jīng)網(wǎng)絡404
12.3長短期記憶網(wǎng)絡408
12.3.1序列數(shù)據(jù)408
12.3.2循環(huán)神經(jīng)網(wǎng)絡411
12.3.3長短期記憶網(wǎng)絡412
12.3.4結構分析415
12.3.5生物的記憶系統(tǒng)416
12.4強化學習418
12.4.1殺雞用牛刀418
12.4.2庖丁解牛422
12.4.3深度強化學習425
12.4.4生物的學習系統(tǒng)426
12.5生成對抗網(wǎng)絡427
12.5.1生成式模型427
12.5.2神經(jīng)網(wǎng)絡的博弈428
12.5.3ArtificialMnist428
12.5.4結構分析431
12.6大模型433
12.6.1從名字說起433
12.6.2預訓練433
12.6.3Transformer435
12.7Intelligence445
12.7.1智能在哪里446
12.7.2PeakEnd447 參考文獻449 中外文人名對照450 后記——書名也內卷456
第0篇什么是人工智能1
0.1人工智能的誕生1
0.2人工智能的4個發(fā)展時代4
0.2.1初期時代4
0.2.2知識時代6
0.2.3特征時代8
0.2.4數(shù)據(jù)時代11
0.3什么是人工智能16
0.4圖靈測試與中文屋子問題19
0.4.1圖靈測試19
0.4.2中文屋子問題21
0.5第三代人工智能23
0.6總結27 第1篇神經(jīng)網(wǎng)絡是如何實現(xiàn)的29
1.1從數(shù)字識別談起30
1.2神經(jīng)元與神經(jīng)網(wǎng)絡35
1.3神經(jīng)網(wǎng)絡是如何訓練的39
1.4卷積神經(jīng)網(wǎng)絡48
1.5梯度消失問題59
1.6過擬合問題69
1.7詞向量74
1.7.1詞的向量表示74
1.7.2神經(jīng)網(wǎng)絡語言模型76
1.7.3word2vec模型82
1.7.4詞向量應用舉例85
1.8循環(huán)神經(jīng)網(wǎng)絡88
1.9長短期記憶網(wǎng)絡96
1.10深度學習框架104
1.11總結104〖1〗〖2〗艾博士： 深入淺出人工智能〖1〗目錄第2篇計算機是如何學會下棋的106
2.1能窮舉嗎？107
2.2極小極大模型110
2.3αβ剪枝算法112
2.4蒙特卡洛樹搜索115
2.5AlphaGo是如何下棋的124
2.6圍棋中的深度強化學習方法132
2.6.1基于策略梯度的強化學習134
2.6.2基于價值評估的強化學習135
2.6.3基于演員評價方法的強化學習137
2.7AlphaGo Zero是如何自學成才的140
2.8總結147 第3篇計算機是如何找到*優(yōu)路徑的149
3.1路徑搜索問題150
3.2寬度優(yōu)先搜索算法152
3.3迪杰斯特拉算法155
3.4啟發(fā)式搜索157
3.4.1A算法157
3.4.2A算法164
3.4.3定義h函數(shù)的一般原則165
3.4.4h函數(shù)的評價168
3.4.5A算法存在的不足170
3.4.6單調的h函數(shù)172
3.4.7改進的A算法175
3.5深度優(yōu)先搜索算法181
3.6迭代加深式搜索算法185
3.6.1迭代加深式寬度優(yōu)先搜索算法186
3.6.2迭代加深式A算法188
3.7動態(tài)規(guī)劃與Viterbi算法189
3.8拼音輸入法問題191
3.9總結197 第4篇如何用隨機算法求解組合優(yōu)化問題200
4.1組合優(yōu)化問題201
4.2局部搜索算法203
4.3局部搜索算法存在的問題211
4.4退火過程及分析216
4.4.1退火現(xiàn)象216
4.4.2退火過程分析217
4.5模擬退火算法224
4.6模擬退火算法的參數(shù)選擇229
4.6.1起始溫度t0的選取230
4.6.2溫度的下降方法232
4.6.3每一溫度下的停止準則234
4.6.4算法的終止原則235
4.7模擬退火算法應用舉例238
4.8遺傳算法243
4.9遺傳算法應用舉例253
4.10遺傳算法的實現(xiàn)問題258
4.10.1編碼問題258
4.10.2二進制編碼的交叉操作規(guī)則262
4.10.3整數(shù)編碼的交叉操作規(guī)則264
4.10.4變異規(guī)則268
4.10.5適應函數(shù)270
4.10.6遺傳算法的停止準則274
4.11用遺傳算法求解旅行商問題276
4.12性能評價問題277
4.13模擬退火算法與遺傳算法的對比279
4.14總結281 第5篇統(tǒng)計機器學習方法是如何實現(xiàn)分類與聚類的283
5.1統(tǒng)計學習方法284
5.2樸素貝葉斯方法289
5.3決策樹297
5.3.1決策樹算法——ID3算法299
5.3.2決策樹算法——C4.5算法313
5.3.3過擬合問題與剪枝320
5.3.4隨機森林算法327
5.4k近鄰方法330
5.5支持向量機333
5.5.1什么是支持向量機333
5.5.2線性可分支持向量機339
5.5.3線性支持向量機352
5.5.4非線性支持向量機356
5.5.5核函數(shù)與核方法359
5.5.6支持向量機用于多分類問題364
5.6k均值聚類算法371
5.7層次聚類算法379
5.8DBSCAN聚類算法381
5.9驗證與測試問題384
5.10特征抽取問題387
5.11總結392 第6篇專家系統(tǒng)是如何實現(xiàn)的395
6.1什么是專家系統(tǒng)396
6.2推理方法399
6.3一個簡單的專家系統(tǒng)403
6.4非確定性推理409
6.4.1事實的表示410
6.4.2規(guī)則的表示410
6.4.3邏輯運算411
6.4.4規(guī)則運算413
6.4.5規(guī)則合成415
6.4.6置信度方法的理論根據(jù)420
6.5黑板模型423
6.6知識的結構化表示425
6.6.1語義網(wǎng)絡425
6.6.2框架429
6.7專家系統(tǒng)工具433
6.8專家系統(tǒng)的應用436
6.9專家系統(tǒng)的局限性437
6.10總結438 附錄ABP算法440
A.1求導數(shù)的鏈式法則440
A.2符號約定441
A.3對于輸出層的神經(jīng)元442
A.4對于隱含層的神經(jīng)元444
A.5BP算法——隨機梯度下降版446 附錄B序列*小*優(yōu)化（SMO）算法448
B.1SMO算法的基本思想448
B.2SMO算法的詳細計算過程454
第1章深度學習環(huán)境搭建1
1.1深度學習典型應用1
1.1.1計算機視覺1
1.1.2自然語言處理3
1.1.3強化學習3
1.2Anaconda使用簡介4
1.2.1Anaconda的特點4
1.2.2Anaconda的下載及安裝4
1.2.3Python庫的導入與添加5
1.2.4conda命令簡介7
1.3TensorFlow使用簡介7
1.3.1TensorFlow的特點8
1.3.2CPU版TensorFlow環(huán)境搭建與調用8
1.3.3GPU版TensorFlow環(huán)境搭建與調用9
1.4Jupyter Notebook使用簡介15
1.4.1安裝Jupyter Notebook15
1.4.2運行Jupyter Notebook15 第2章基本流程——數(shù)據(jù)處理與模型加載17
2.1使用特征列隊結構化數(shù)據(jù)進行分類: 預測心臟病17
2.1.1背景原理17
2.1.2安裝操作18
2.1.3代碼解析19
2.1.4訓練測試23
2.2回歸方法: 預測燃油效率24
2.2.1背景原理24
2.2.2安裝操作24
2.2.3代碼解析24
2.2.4訓練測試29
2.3過擬合與欠擬合: 不同模型選擇對結果的影響33
2.3.1背景原理33
2.3.2安裝操作34
2.3.3代碼解析34
2.3.4訓練測試39
2.4保存與加載預訓練模型42
2.4.1背景原理42
2.4.2安裝操作42
2.4.3代碼解析43
2.4.4訓練測試47
〖1〗〖2〗艾博士： 深入淺出人工智能〖1〗目錄
第3章圖像處理: 增廣與分類49
3.1數(shù)據(jù)增廣之圖像變換實戰(zhàn)49
3.1.1背景原理49
3.1.2安裝操作49
3.1.3代碼解析50
3.1.4訓練測試56
3.2在CIFAR10上應用VGGNet實現(xiàn)圖像分類60
3.2.1背景原理60
3.2.2安裝操作60
3.2.3代碼解析61
3.2.4訓練測試62
3.3圖像識別之貓狗分類63
3.3.1背景原理63
3.3.2安裝操作63
3.3.3代碼解析64
3.3.4訓練測試65 第4章圖像增強識別實戰(zhàn)67
4.1應用高階神經(jīng)網(wǎng)絡提高圖像分辨率67
4.1.1背景原理67
4.1.2安裝操作67
4.1.3代碼解析68
4.1.4訓練測試70
4.2長短期記憶機器人識別色彩72
4.2.1背景原理72
4.2.2安裝操作72
4.2.3代碼解析73
4.2.4訓練測試75
4.3使用注意力機制給圖像取標題75
4.3.1背景原理75
4.3.2安裝操作76
4.3.3代碼解析76
4.3.4訓練測試82 第5章兩階段目標檢測實戰(zhàn)86
5.1基于RPN實現(xiàn)目標檢測86
5.1.1背景原理86
5.1.2安裝操作87
5.1.3代碼解析88
5.1.4訓練測試92
5.2應用MTCNN實現(xiàn)人臉目標檢測92
5.2.1背景原理92
5.2.2安裝操作93
5.2.3代碼解析93
5.2.4訓練測試95 第6章單階段目標檢測97
6.1應用單階段完成目標檢測之YOLOv497
6.1.1背景原理97
6.1.2安裝操作98
6.1.3代碼解析98
6.1.4訓練測試101
6.2應用錨定框完成目標檢測之SSD102
6.2.1背景原理102
6.2.2安裝操作103
6.2.3代碼解析103
6.2.4訓練測試111
6.3基于視頻流目標檢測之DarkFlow114
6.3.1背景原理115
6.3.2安裝操作115
6.3.3代碼解析116
6.3.4訓練測試118
6.4基于ResNet實現(xiàn)目標檢測121
6.4.1背景原理122
6.4.2安裝操作122
6.4.3代碼解析124
6.4.4訓練測試128 第7章實戰(zhàn)文本識別和圖像生成129
7.1應用卷積神經(jīng)網(wǎng)絡識別手寫體文本129
7.1.1背景原理129
7.1.2安裝操作130
7.1.3代碼解析131
7.1.4訓練測試132
7.2應用自動編碼器識別手寫體文本133
7.2.1背景原理133
7.2.2安裝操作133
7.2.3代碼解析134
7.2.4訓練測試136
7.3應用變分自動編碼器重建服飾136
7.3.1背景原理136
7.3.2安裝操作137
7.3.3代碼解析137
7.3.4訓練測試140 第8章詞匯與音樂的星空——機器創(chuàng)作141
8.1創(chuàng)作鋼琴曲之Music Transformer141
8.1.1背景原理141
8.1.2安裝操作142
8.1.3代碼解析144
8.1.4訓練測試147
8.2應用循環(huán)神經(jīng)網(wǎng)絡創(chuàng)作歌詞147
8.2.1背景原理147
8.2.2安裝操作148
8.2.3代碼解析148
8.2.4訓練測試153
8.3應用門控循環(huán)單元創(chuàng)作歌詞154
8.3.1背景原理154
8.3.2安裝操作156
8.3.3代碼解析156
8.3.4訓練測試158
8.4應用長短期記憶創(chuàng)作歌詞159
8.4.1背景原理159
8.4.2安裝操作161
8.4.3代碼解析161
8.4.4訓練測試162
8.5應用文本生成器創(chuàng)作古詩163
8.5.1背景原理164
8.5.2安裝操作164
8.5.3代碼解析165
8.5.4訓練測試168 第9章情感分類、翻譯、對話172
9.1使用雙向循環(huán)神經(jīng)網(wǎng)絡對電影評論情感分類172
9.1.1背景原理172
9.1.2安裝操作173
9.1.3代碼解析173
9.1.4訓練測試175
9.2應用詞嵌入計算文本相關性175
9.2.1背景原理176
9.2.2安裝操作176
9.2.3代碼解析176
9.2.4訓練測試184
9.3中英翻譯機器人185
9.3.1背景原理185
9.3.2安裝操作186
9.3.3代碼解析186
9.3.4訓練測試192
9.4基于Seq2Seq中文聊天機器人實戰(zhàn)192
9.4.1背景原理192
9.4.2安裝操作193
9.4.3代碼解析193
9.4.4訓練測試197 第10章GAN及其變體的創(chuàng)作199
10.1GAN的原理與實戰(zhàn)199
10.1.1背景原理199
10.1.2安裝操作199
10.1.3代碼解析201
10.1.4訓練測試206
10.2應用生成對抗網(wǎng)絡Pix2Pix模仿歐式建筑風格207
10.2.1背景原理207
10.2.2安裝操作207
10.2.3代碼解析208
10.2.4訓練測試212
10.3應用循環(huán)對抗網(wǎng)絡CycleGAN完成相似動物轉換212
10.3.1背景原理212
10.3.2安裝操作213
10.3.3代碼解析213
10.3.4訓練測試216
10.4WGANGP人臉生成實戰(zhàn)217
10.4.1背景原理217
10.4.2安裝操作218
10.4.3代碼解析219
10.4.4訓練測試225 第11章強化學習與遷移學習226
11.1強化學習之玩轉Flappy Bird226
11.1.1背景原理226
11.1.2安裝操作227
11.1.3代碼解析227
11.1.4訓練測試232
11.2使用TensorFlow Hub實現(xiàn)遷移學習預測影評分類232
11.2.1背景原理232
11.2.2安裝操作233
11.2.3代碼解析233
11.2.4訓練測試236
11.3使用預訓練的卷積神經(jīng)網(wǎng)絡繪制油畫236
11.3.1背景原理236
11.3.2安裝操作237
11.3.3代碼解析237
11.3.4訓練測試244 結語248 參考文獻250
1.1Artificial3
1.2圖靈測試4
1.3人類智能7
1.4一次會議8
1.5兩場棋局9
1.5.1Deep Blue與卡斯帕羅夫11
1.5.2AlphaGo與李世石11
1.6三門學派12
1.6.1無可奈何花落去——符號主義13
1.6.2似曾相識燕歸來——連接主義14
1.6.3小園香徑獨徘徊——行為主義15
1.7五個階段17
1.7.1記憶和計算18
1.7.2感知和認知18
1.7.3分析和推理20
1.7.4發(fā)明和創(chuàng)造20
1.7.5具有意識的機器20
1.8Singularity22 第2章編碼25
2.1馮·諾依曼體系結構25
2.2數(shù)字的編碼31
2.2.1數(shù)字系統(tǒng)31
2.2.2整數(shù)的編碼32
2.2.3實數(shù)的編碼32
2.3文字的編碼34
2.4圖像的編碼35〖1〗〖2〗人工智能： 是什么？為什么？怎么做？〖1〗目錄2.5聲音的編碼38
2.6視頻的編碼39
2.7數(shù)據(jù)的組織40
2.8More Is Different41
2.9怎么做42
2.9.1二—十進制轉換42
2.9.2十六進制43
2.9.3補碼44
2.9.4浮點數(shù)編碼44
2.9.5數(shù)字的編碼45
2.9.6圖像的編碼45
2.9.7聲音的編碼46 第3章數(shù)學47
3.1高等數(shù)學48
3.1.1導數(shù)48
3.1.2Sigmoid()函數(shù)49
3.1.3梯度下降算法50
3.2概率論54
3.2.1合取謬誤54
3.2.2星期二男孩54
3.2.3蒙特卡羅算法56
3.2.4三門問題56
3.2.5信息論58
3.3線性代數(shù)64
3.3.1向量65
3.3.2矩陣66
3.3.3維數(shù)67
3.3.4距離70
3.3.5奇異值分解74
3.4Concrete Mathematics76
3.5怎么做78
3.5.1繪制曲線和曲面圖78
3.5.2梯度下降算法79
3.5.3蒙特卡羅算法82
3.5.4奇異值分解83第二部分經(jīng)典人工智能
第4章算法87
4.1算法概述88
4.2笨AI與聰明AI89
4.3算法復雜度91
4.3.1大O表示法91
4.3.2常見復雜度93
4.4如何描述問題97
4.4.1樹97
4.4.2用樹描述問題98
4.4.3遞歸100
4.4.4圖101
4.4.5用圖描述問題103
4.5無指導信息搜索106
4.5.1深度優(yōu)先搜索106
4.5.2寬度優(yōu)先搜索109
4.5.3搜索評價110
4.6有指導信息搜索111
4.6.1迪杰斯特拉算法111
4.6.2啟發(fā)式112
4.6.3A搜索算法113
4.7路徑無關搜索115
4.7.1*優(yōu)化搜索115
4.7.2約束滿足問題116
4.7.3對抗搜索118
4.8遺傳算法118
4.9推薦算法123
4.10Alchemy and Artificial Intelligence125
4.11怎么做126
4.11.1算法入門126
4.11.2遞歸算法127
4.11.3無指導信息搜索127
4.11.4有指導信息搜索128
4.11.5路徑無關搜索133
4.11.6遺傳算法134
4.11.7推薦算法138 第5章博弈140
5.1棋類游戲框架140
5.2對抗搜索142
5.2.1博弈樹142
5.2.2靜態(tài)估值143
5.2.3minimax算法144
5.2.4negamax算法147
5.2.5alphabeta剪枝147
5.3其他棋類游戲148
5.3.1人機博弈小史148
5.3.2棋類軟件設計技巧149
5.3.3AlphaGo簡介150
5.4Game Theory151
5.5怎么做153
5.5.1棋類游戲框架153
5.5.2negamax算法155
5.5.3alphabeta剪枝算法156 第6章知識169
6.1邏輯169
6.1.1命題邏輯170
6.1.2一階邏輯173
6.1.3高階邏輯175
6.1.4邏輯推理175
6.1.5邏輯編程177
6.2專家系統(tǒng)179
6.2.1專家系統(tǒng)概述179
6.2.2專家系統(tǒng)構建180
6.2.3典型專家系統(tǒng)186
6.3知識圖譜191
6.3.1概述191
6.3.2知識從哪里來192
6.3.3知識如何表示198
6.3.4知識如何推理204
6.3.5知識如何存儲208
6.3.6知識如何應用212
6.4Wir müssen wissen，Wir werden wissen216
6.4.1希爾伯特216
6.4.2哥德爾217
6.5怎么做220
6.5.1邏輯編程220
6.5.2專家系統(tǒng)222
6.5.3知識圖譜223
6.5.4哥德爾數(shù)224 第7章行為227
7.1機器人227
7.1.1SHRDLU227
7.1.2SHAKEY229
7.1.3機器人與計算機230
7.2新范式231
7.3基于行為的人工智能233
7.3.1SPA體系結構233
7.3.2包容式體系結構233
7.3.3更多體系結構235
7.3.4設計自己的體系結構237
7.4智能體概述238
7.4.1只有行為不夠238
7.4.2智能體238
7.4.3多智能體241
7.5Birds and Frogs246
7.6怎么做248
7.6.1智能體博弈248
7.6.2Boids模擬249
第三部分機器學習技術
第8章機器學習（一）253
8.1機器學習概述253
8.1.1學習范式253
8.1.2機器學習過程254
8.1.3機器學習分類255
8.2*簡單的機器學習——線性回歸256
8.2.1線性回歸256
8.2.2誤差函數(shù)259
8.3多元回歸分析261
8.4嶺回歸和LASSO回歸263
8.5過擬合與欠擬合264
8.6訓練集、測試集和驗證集265
8.6.1訓練集與測試集265
8.6.2驗證集與交叉驗證266
8.7有監(jiān)督和無監(jiān)督學習267
8.8回歸結果評估267
8.9Why268
8.9.1因果性268
8.9.2相關性不等于因果性269
8.9.3統(tǒng)計數(shù)據(jù)會說謊269
8.9.4如何計算因果？271
8.10怎么做276
8.10.1動物體重壽命分析276
8.10.2回歸分析277
附注279 第9章機器學習（二）280
9.1分類280
9.1.1從回歸到分類280
9.1.2分類結果評估281
9.2既無邏輯又不回歸——邏輯回歸285
9.2.1邏輯回歸思想285
9.2.2交叉熵損失函數(shù)286
9.2.3梯度下降求解287
9.3一堆IFELSE——決策樹288
9.3.1決策樹思想288
9.3.2劃分選擇290
9.3.3決策樹的剪枝295
9.3.4連續(xù)型數(shù)據(jù)的處理298
9.4曾經(jīng)的王者——SVM300
9.4.1SVM概述300
9.4.2支持向量與*優(yōu)劃分301
9.4.3核函數(shù)與高維映射302
9.5學習的本質——貝葉斯304
9.5.1貝葉斯思想304
9.5.2樸素貝葉斯306
9.5.3樸素貝葉斯的應用308
9.6懶惰學習的代表——kNN309
9.7臭皮匠變諸葛亮——集成學習310
9.7.1集成思想310
9.7.2Boosting家族311
9.7.3Bagging家族315
9.8Occams razor316
9.9怎么做317
9.9.1分類結果評估317
9.9.2鳶尾花數(shù)據(jù)分析318
9.9.3不難，也不簡單324
附注324 第10章機器學習（三）326
10.1聚類326
10.1.1聚類其實是聚簇326
10.1.2簡單實用的聚類： kmeans327
10.1.3聚類結果評估333
10.2降維335
10.2.1維數(shù)詛咒335
10.2.2PCA降維336
10.3Complexity340
10.3.1蝴蝶效應340
10.3.2復雜性度量341
10.4怎么做343
10.4.1聚類343
10.4.2降維347
附注348
第四部分神經(jīng)網(wǎng)絡與深度學習
第11章神經(jīng)網(wǎng)絡351
11.1概述351
11.2神經(jīng)元353
11.2.1激活函數(shù)353
11.2.2單個神經(jīng)元354
11.3構建神經(jīng)網(wǎng)絡355
11.3.1把神經(jīng)元連接起來355
11.3.2反向傳播357
11.3.3梯度下降359
11.4初見Mnist360
11.5改進神經(jīng)網(wǎng)絡361
11.5.1換一個激活函數(shù)361
11.5.2再探反向傳播364
11.5.3增加bias366
11.6神經(jīng)網(wǎng)絡存在的問題368
11.7Connection370
11.7.1從圖到網(wǎng)絡370
11.7.2六度分割372
11.7.3冪率分布373
11.8怎么做374
11.8.1前饋計算374
11.8.2Mnist374
11.8.3新的損失函數(shù)和激活函數(shù)379
11.8.4帶bias的神經(jīng)網(wǎng)絡381
11.8.5識別自己的手寫體383
11.8.6隨機網(wǎng)絡、無標度網(wǎng)絡383 第12章深度學習385
12.1準備知識386
12.1.1二見Mnist386
12.1.2更多激活函數(shù)389
12.1.3更多優(yōu)化算法393
12.2卷積神經(jīng)網(wǎng)絡401
12.2.1再見Mnist401
12.2.2生物的視覺系統(tǒng)402
12.2.3卷積神經(jīng)網(wǎng)絡404
12.3長短期記憶網(wǎng)絡408
12.3.1序列數(shù)據(jù)408
12.3.2循環(huán)神經(jīng)網(wǎng)絡411
12.3.3長短期記憶網(wǎng)絡412
12.3.4結構分析415
12.3.5生物的記憶系統(tǒng)416
12.4強化學習418
12.4.1殺雞用牛刀418
12.4.2庖丁解牛422
12.4.3深度強化學習425
12.4.4生物的學習系統(tǒng)426
12.5生成對抗網(wǎng)絡427
12.5.1生成式模型427
12.5.2神經(jīng)網(wǎng)絡的博弈428
12.5.3ArtificialMnist428
12.5.4結構分析431
12.6大模型433
12.6.1從名字說起433
12.6.2預訓練433
12.6.3Transformer435
12.7Intelligence445
12.7.1智能在哪里446
12.7.2PeakEnd447 參考文獻449 中外文人名對照450 后記——書名也內卷456
第0篇什么是人工智能1
0.1人工智能的誕生1
0.2人工智能的4個發(fā)展時代4
0.2.1初期時代4
0.2.2知識時代6
0.2.3特征時代8
0.2.4數(shù)據(jù)時代11
0.3什么是人工智能16
0.4圖靈測試與中文屋子問題19
0.4.1圖靈測試19
0.4.2中文屋子問題21
0.5第三代人工智能23
0.6總結27 第1篇神經(jīng)網(wǎng)絡是如何實現(xiàn)的29
1.1從數(shù)字識別談起30
1.2神經(jīng)元與神經(jīng)網(wǎng)絡35
1.3神經(jīng)網(wǎng)絡是如何訓練的39
1.4卷積神經(jīng)網(wǎng)絡48
1.5梯度消失問題59
1.6過擬合問題69
1.7詞向量74
1.7.1詞的向量表示74
1.7.2神經(jīng)網(wǎng)絡語言模型76
1.7.3word2vec模型82
1.7.4詞向量應用舉例85
1.8循環(huán)神經(jīng)網(wǎng)絡88
1.9長短期記憶網(wǎng)絡96
1.10深度學習框架104
1.11總結104〖1〗〖2〗艾博士： 深入淺出人工智能〖1〗目錄第2篇計算機是如何學會下棋的106
2.1能窮舉嗎？107
2.2極小極大模型110
2.3αβ剪枝算法112
2.4蒙特卡洛樹搜索115
2.5AlphaGo是如何下棋的124
2.6圍棋中的深度強化學習方法132
2.6.1基于策略梯度的強化學習134
2.6.2基于價值評估的強化學習135
2.6.3基于演員評價方法的強化學習137
2.7AlphaGo Zero是如何自學成才的140
2.8總結147 第3篇計算機是如何找到*優(yōu)路徑的149
3.1路徑搜索問題150
3.2寬度優(yōu)先搜索算法152
3.3迪杰斯特拉算法155
3.4啟發(fā)式搜索157
3.4.1A算法157
3.4.2A算法164
3.4.3定義h函數(shù)的一般原則165
3.4.4h函數(shù)的評價168
3.4.5A算法存在的不足170
3.4.6單調的h函數(shù)172
3.4.7改進的A算法175
3.5深度優(yōu)先搜索算法181
3.6迭代加深式搜索算法185
3.6.1迭代加深式寬度優(yōu)先搜索算法186
3.6.2迭代加深式A算法188
3.7動態(tài)規(guī)劃與Viterbi算法189
3.8拼音輸入法問題191
3.9總結197 第4篇如何用隨機算法求解組合優(yōu)化問題200
4.1組合優(yōu)化問題201
4.2局部搜索算法203
4.3局部搜索算法存在的問題211
4.4退火過程及分析216
4.4.1退火現(xiàn)象216
4.4.2退火過程分析217
4.5模擬退火算法224
4.6模擬退火算法的參數(shù)選擇229
4.6.1起始溫度t0的選取230
4.6.2溫度的下降方法232
4.6.3每一溫度下的停止準則234
4.6.4算法的終止原則235
4.7模擬退火算法應用舉例238
4.8遺傳算法243
4.9遺傳算法應用舉例253
4.10遺傳算法的實現(xiàn)問題258
4.10.1編碼問題258
4.10.2二進制編碼的交叉操作規(guī)則262
4.10.3整數(shù)編碼的交叉操作規(guī)則264
4.10.4變異規(guī)則268
4.10.5適應函數(shù)270
4.10.6遺傳算法的停止準則274
4.11用遺傳算法求解旅行商問題276
4.12性能評價問題277
4.13模擬退火算法與遺傳算法的對比279
4.14總結281 第5篇統(tǒng)計機器學習方法是如何實現(xiàn)分類與聚類的283
5.1統(tǒng)計學習方法284
5.2樸素貝葉斯方法289
5.3決策樹297
5.3.1決策樹算法——ID3算法299
5.3.2決策樹算法——C4.5算法313
5.3.3過擬合問題與剪枝320
5.3.4隨機森林算法327
5.4k近鄰方法330
5.5支持向量機333
5.5.1什么是支持向量機333
5.5.2線性可分支持向量機339
5.5.3線性支持向量機352
5.5.4非線性支持向量機356
5.5.5核函數(shù)與核方法359
5.5.6支持向量機用于多分類問題364
5.6k均值聚類算法371
5.7層次聚類算法379
5.8DBSCAN聚類算法381
5.9驗證與測試問題384
5.10特征抽取問題387
5.11總結392 第6篇專家系統(tǒng)是如何實現(xiàn)的395
6.1什么是專家系統(tǒng)396
6.2推理方法399
6.3一個簡單的專家系統(tǒng)403
6.4非確定性推理409
6.4.1事實的表示410
6.4.2規(guī)則的表示410
6.4.3邏輯運算411
6.4.4規(guī)則運算413
6.4.5規(guī)則合成415
6.4.6置信度方法的理論根據(jù)420
6.5黑板模型423
6.6知識的結構化表示425
6.6.1語義網(wǎng)絡425
6.6.2框架429
6.7專家系統(tǒng)工具433
6.8專家系統(tǒng)的應用436
6.9專家系統(tǒng)的局限性437
6.10總結438 附錄ABP算法440
A.1求導數(shù)的鏈式法則440
A.2符號約定441
A.3對于輸出層的神經(jīng)元442
A.4對于隱含層的神經(jīng)元444
A.5BP算法——隨機梯度下降版446 附錄B序列*小*優(yōu)化（SMO）算法448
B.1SMO算法的基本思想448
B.2SMO算法的詳細計算過程454
第1章深度學習環(huán)境搭建1
1.1深度學習典型應用1
1.1.1計算機視覺1
1.1.2自然語言處理3
1.1.3強化學習3
1.2Anaconda使用簡介4
1.2.1Anaconda的特點4
1.2.2Anaconda的下載及安裝4
1.2.3Python庫的導入與添加5
1.2.4conda命令簡介7
1.3TensorFlow使用簡介7
1.3.1TensorFlow的特點8
1.3.2CPU版TensorFlow環(huán)境搭建與調用8
1.3.3GPU版TensorFlow環(huán)境搭建與調用9
1.4Jupyter Notebook使用簡介15
1.4.1安裝Jupyter Notebook15
1.4.2運行Jupyter Notebook15 第2章基本流程——數(shù)據(jù)處理與模型加載17
2.1使用特征列隊結構化數(shù)據(jù)進行分類: 預測心臟病17
2.1.1背景原理17
2.1.2安裝操作18
2.1.3代碼解析19
2.1.4訓練測試23
2.2回歸方法: 預測燃油效率24
2.2.1背景原理24
2.2.2安裝操作24
2.2.3代碼解析24
2.2.4訓練測試29
2.3過擬合與欠擬合: 不同模型選擇對結果的影響33
2.3.1背景原理33
2.3.2安裝操作34
2.3.3代碼解析34
2.3.4訓練測試39
2.4保存與加載預訓練模型42
2.4.1背景原理42
2.4.2安裝操作42
2.4.3代碼解析43
2.4.4訓練測試47
〖1〗〖2〗艾博士： 深入淺出人工智能〖1〗目錄
第3章圖像處理: 增廣與分類49
3.1數(shù)據(jù)增廣之圖像變換實戰(zhàn)49
3.1.1背景原理49
3.1.2安裝操作49
3.1.3代碼解析50
3.1.4訓練測試56
3.2在CIFAR10上應用VGGNet實現(xiàn)圖像分類60
3.2.1背景原理60
3.2.2安裝操作60
3.2.3代碼解析61
3.2.4訓練測試62
3.3圖像識別之貓狗分類63
3.3.1背景原理63
3.3.2安裝操作63
3.3.3代碼解析64
3.3.4訓練測試65 第4章圖像增強識別實戰(zhàn)67
4.1應用高階神經(jīng)網(wǎng)絡提高圖像分辨率67
4.1.1背景原理67
4.1.2安裝操作67
4.1.3代碼解析68
4.1.4訓練測試70
4.2長短期記憶機器人識別色彩72
4.2.1背景原理72
4.2.2安裝操作72
4.2.3代碼解析73
4.2.4訓練測試75
4.3使用注意力機制給圖像取標題75
4.3.1背景原理75
4.3.2安裝操作76
4.3.3代碼解析76
4.3.4訓練測試82 第5章兩階段目標檢測實戰(zhàn)86
5.1基于RPN實現(xiàn)目標檢測86
5.1.1背景原理86
5.1.2安裝操作87
5.1.3代碼解析88
5.1.4訓練測試92
5.2應用MTCNN實現(xiàn)人臉目標檢測92
5.2.1背景原理92
5.2.2安裝操作93
5.2.3代碼解析93
5.2.4訓練測試95 第6章單階段目標檢測97
6.1應用單階段完成目標檢測之YOLOv497
6.1.1背景原理97
6.1.2安裝操作98
6.1.3代碼解析98
6.1.4訓練測試101
6.2應用錨定框完成目標檢測之SSD102
6.2.1背景原理102
6.2.2安裝操作103
6.2.3代碼解析103
6.2.4訓練測試111
6.3基于視頻流目標檢測之DarkFlow114
6.3.1背景原理115
6.3.2安裝操作115
6.3.3代碼解析116
6.3.4訓練測試118
6.4基于ResNet實現(xiàn)目標檢測121
6.4.1背景原理122
6.4.2安裝操作122
6.4.3代碼解析124
6.4.4訓練測試128 第7章實戰(zhàn)文本識別和圖像生成129
7.1應用卷積神經(jīng)網(wǎng)絡識別手寫體文本129
7.1.1背景原理129
7.1.2安裝操作130
7.1.3代碼解析131
7.1.4訓練測試132
7.2應用自動編碼器識別手寫體文本133
7.2.1背景原理133
7.2.2安裝操作133
7.2.3代碼解析134
7.2.4訓練測試136
7.3應用變分自動編碼器重建服飾136
7.3.1背景原理136
7.3.2安裝操作137
7.3.3代碼解析137
7.3.4訓練測試140 第8章詞匯與音樂的星空——機器創(chuàng)作141
8.1創(chuàng)作鋼琴曲之Music Transformer141
8.1.1背景原理141
8.1.2安裝操作142
8.1.3代碼解析144
8.1.4訓練測試147
8.2應用循環(huán)神經(jīng)網(wǎng)絡創(chuàng)作歌詞147
8.2.1背景原理147
8.2.2安裝操作148
8.2.3代碼解析148
8.2.4訓練測試153
8.3應用門控循環(huán)單元創(chuàng)作歌詞154
8.3.1背景原理154
8.3.2安裝操作156
8.3.3代碼解析156
8.3.4訓練測試158
8.4應用長短期記憶創(chuàng)作歌詞159
8.4.1背景原理159
8.4.2安裝操作161
8.4.3代碼解析161
8.4.4訓練測試162
8.5應用文本生成器創(chuàng)作古詩163
8.5.1背景原理164
8.5.2安裝操作164
8.5.3代碼解析165
8.5.4訓練測試168 第9章情感分類、翻譯、對話172
9.1使用雙向循環(huán)神經(jīng)網(wǎng)絡對電影評論情感分類172
9.1.1背景原理172
9.1.2安裝操作173
9.1.3代碼解析173
9.1.4訓練測試175
9.2應用詞嵌入計算文本相關性175
9.2.1背景原理176
9.2.2安裝操作176
9.2.3代碼解析176
9.2.4訓練測試184
9.3中英翻譯機器人185
9.3.1背景原理185
9.3.2安裝操作186
9.3.3代碼解析186
9.3.4訓練測試192
9.4基于Seq2Seq中文聊天機器人實戰(zhàn)192
9.4.1背景原理192
9.4.2安裝操作193
9.4.3代碼解析193
9.4.4訓練測試197 第10章GAN及其變體的創(chuàng)作199
10.1GAN的原理與實戰(zhàn)199
10.1.1背景原理199
10.1.2安裝操作199
10.1.3代碼解析201
10.1.4訓練測試206
10.2應用生成對抗網(wǎng)絡Pix2Pix模仿歐式建筑風格207
10.2.1背景原理207
10.2.2安裝操作207
10.2.3代碼解析208
10.2.4訓練測試212
10.3應用循環(huán)對抗網(wǎng)絡CycleGAN完成相似動物轉換212
10.3.1背景原理212
10.3.2安裝操作213
10.3.3代碼解析213
10.3.4訓練測試216
10.4WGANGP人臉生成實戰(zhàn)217
10.4.1背景原理217
10.4.2安裝操作218
10.4.3代碼解析219
10.4.4訓練測試225 第11章強化學習與遷移學習226
11.1強化學習之玩轉Flappy Bird226
11.1.1背景原理226
11.1.2安裝操作227
11.1.3代碼解析227
11.1.4訓練測試232
11.2使用TensorFlow Hub實現(xiàn)遷移學習預測影評分類232
11.2.1背景原理232
11.2.2安裝操作233
11.2.3代碼解析233
11.2.4訓練測試236
11.3使用預訓練的卷積神經(jīng)網(wǎng)絡繪制油畫236
11.3.1背景原理236
11.3.2安裝操作237
11.3.3代碼解析237
11.3.4訓練測試244 結語248 參考文獻250
展開全部
書友推薦
- >
山海經(jīng)
- >
經(jīng)典常談
- >
唐代進士錄
- >
小考拉的故事-套裝共3冊
- >
羅曼·羅蘭讀書隨筆-精裝
- >
巴金－再思錄
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
有舍有得是人生
本類暢銷
